万字长文！详解AI加持量化投资，这样应对多变市场

【导读】尽管量化投资近年来屡被讨论，但量化投资产品在公募基金一直偏小众。这次首批18只主动ETF中，一共有5只采用量化策略，其中均衡量化主动ETF天弘（158908）等2只产品为纯量化策略，在产品比较选择中，不少投资者对公募量化产品很感兴趣。近期，天弘基金量化投资部负责人杨超在一场专业交流中深度剖析了天弘如何在不同风格的市场下持续做出超额。

在电影《Margin Call》（商海通牒）中，有一句经典台词：在华尔街就三种人赚钱，比别人更快（be first），比别人更聪明（be smarter），作弊（cheat）。这句话，阐述了两种可持续的赚钱方式，要么你更快，要么你更聪明。

我们来看看天弘基金量化团队的投资理念，他们更倾向于认为Alpha来自“比别人更快”。“认为自己能比市场聪明，是一种傲慢的想法”。在他们看来，在量化投资中不做什么，比做什么更重要。从数学概率看，有人做对和长期能做对是完全不同的，比如大幅偏离行业基准，便是很难长期一直做对的事。

为了挖掘真正的Pure Alpha（纯阿尔法），他们在所有量化产品的管理上首先进行“三重净化”：严格的行业、市值、风格中性，成分外选股极少，负面清单前置；并在风险模型中进一步“三维提纯”：更精细的行业分类，防范组合中不同股票的协同风险，拆解Alpha中的特异风险，最终把组合的Alpha波动也降低下来。

对相对较纯Alpha的挖掘最终要体现到产品业绩上。天弘量化团队有一个朴素的目标：把所有产品的下限做高。他们认为，衡量一个量化团队能力的方式，不是去看表现最好的那只产品，而是看表现最差的那只产品。围绕这个目标，在全面拥抱AI之后，天弘量化团队打造了一套共用的AI中央基座——目前超70%超额因子源于AI中央基座，并且快速迭代。

AI中央基座实现高速迭代背后，是天弘量化团队生产关系、协作模式的重构。在新的生产关系下，基金经理和研究员之间的协同壁垒被打破。投研关系从过去的“因子工厂”模式转变为平台共建的方式。用杨超的话说，过去大家是金字塔结构，现在变成每个人都依托AI中央基座这张“桌子”开展分工协作，共同把创造力投入到这个平台。而量化AI中央基座提升后再反哺给每个人，拔高所有人的下限。

天弘基金的量化产品，并不再仅仅只是挂职的基金经理在管理，而是整个团队一群人管理。当单一基金经理的策略遇到问题后，他有整个团队的Alpha策略能力去兜底。生产关系的重构，形成了真正的平台化作战模式。

这种平台化的作战模式，也在业绩层面得到体现——在指增产品数量超过10只的基金公司中，天弘基金是唯一一家2026年上半年全部指增产品跑赢业绩比较基准的基金公司，展现出稳健的整体超额能力。截至2025年底，天弘基金旗下有完整年度业绩的指数增强基金有12只，这些产品自成立以来完整年度业绩跑赢比较基准的年份总数占比超过80%。2025年，这12只产品全部跑赢业绩比较基准。（数据来源：wind、基金定期报告）

产品下限的拔高和稳定的超额，带来的是持有人的持续增加和长期持有。2026年基金中报显示，天弘基金旗下指数增强基金持有人合计166.22万户，较2025年底增长48%，位列行业第3。

更重要的是，从过往数据看，长期持有天弘量化指增产品，跑赢基准获取超额成为大概率的事——截至2026年9月30日，天弘基金数据显示，在天弘基金指增成立满6个月的产品中，用户平均持有时长超过18个月。过往持有满6个月的投资者，超85%的用户持有收益率均跑赢同期基金业绩比较基准。

除了用共同的AI中央基座重塑生产关系，要真正用好团队的力量，还有两个事情必须要做到。

第一个，是数智化的投研平台。早在2023年，天弘量化团队就开始从传统的基本面因子向AI模型转型。而AI的出现，又极大地发挥了天弘基金数智化投研平台的优势。作为业内较早倡导并打造“科学化、一体化、数智化”投研平台的基金公司，天弘基金已经把不同部门的研究成果在数据层面达成了统一，集纳到TIRD平台中。天弘内部任何投研人员都能迅速看到不同投研部门的研究成果，这为量化团队提供了足够丰富以及安全的数据回测、迭代环境。

第二个，是强大的团队文化。杨超很重要的工作，是激发团队创造力。当大量AI工具能够提高投研的工作效率后，创造力变得更为重要，也更为稀缺。在杨超看来，每个人的创造力，是被激发出来的，不是被管理出来的，他很重要的工作就是让团队开心和有好奇心。

团队模型守住下限，个人创造力提供上限，这正是团队力量和个人能力的完美结合。从杨超的讲述中，我们不仅能看到天弘量化团队的AI中央基座，更感受到天弘基金与众不同的数智化投研平台。所有的这一切，都是来自科学化的投资理念。

当下，公募基金又迎来了主动ETF这一新品种。这是对基金公司投研能力的极致考验，因为基金经理需要每日披露持仓，投资几乎变成全透明操作，处在“明牌比拼”状态。在这种情况下，投资中“艺术”成分的发挥无疑会受到影响，因为基金经理需要承受更多的压力，容错空间变小；而用科学化的投研体系来应对，长远看更有望提供稳健的超额。天弘基金选择了以量化投资首先切入这一品类，正是基于对自身量化投资能力的自信。

2.纯Alpha是一个等待市场验证、价格回归的过程，不是预测的过程

3.Alpha之所以能长期存在，一定是无法被大多数人轻易解构和复制的

4.在新的市场环境下，Alpha的供给越来越依靠数据和算法驱动

5.通过所有人把策略贡献给平台后，提升平台水位再反哺给每个人，实现平台能力比他们单干更强，这就是搭建量化AI中央基座的价值。

6.传统的架构是金字塔形的，层层汇报。我们现在把整个架构放在桌子中间，所有人都围着架构分工协作

7.创造力是管理不出来的，只能激发和孕育

8.量化投资到最后比拼的是公司治理，公司的投研平台、机制等等，能不能驱动投研不断把模型迭代下去，因为所有模型每半年可能都会被迭代掉

9.天弘基金的数据平台，把不同部门的研究成果在数据层面达成了统一

纯Alpha是等待的过程

不是预测的过程

问：您的从业经历很长，能否先谈谈在这些年的过程中，对量化投资理解的变化和迭代，以及天弘量化团队的投资理念？

杨超：投资做得越久，越会发现市场上有许多变量，并非是我们能把控的。我逐渐意识到，过去很多超额更多是市场不有效的历史红利，而不是自己的能力，面向未来，要切实认清自己的能力边界，关键是少犯错，用纪律性做投资。

市场会有很多幸存者偏差的现象。以行业轮动为例，有些人做对了，但也有人做错了。回头看，“有人做对这件事”和“这件事能持续被做对”是两码事。前者是一种现象，后者要回答的是，这件事在概率上能否长期做，逻辑面向未来，经验充满危险的偏见。

所以做量化的第一件事，不是回答能做什么，而是知道不能做什么。我们先搭建风险架构，把不能做的事情规避掉。我在行业配置和风格配置上的偏离度一直比较小，主要就是靠选股获得Alpha。

具体到获取Alpha，方式就两种，第一种，你比别人更快；第二种，你比别人更聪明。做了那么多年量化投资后，我越来越发现真正的Alpha来自更快，先于别人发现还没有被充分定价的变量，然后等待价格的回归。纯Alpha是一个等待的过程，不是预测的过程。没有人能持续预测对任何事情，我们只是在别人达到之前，提前等在了那里。等大多数人都发现了，这个Alpha就慢慢变成了Beta。

有了这样的理念后，我们不会把投资能力建立在某一个特别好的策略。认为某个策略只有我知道，是独门秘籍，这是一种很傲慢的想法，市场的参与者众多，你不可能比所有人都聪明。所以，要持续获得Alpha，就必须对模型不断迭代， 本身是一个动态过程。量化和基本面投资本质上没有区别，都是先于别人发现价值，然后等待。

问：市场上有大量的超额收益，其实是一种被包装过的smart beta，能否谈谈您是如何把smart beta区别出来，以及如何为持有人提供真正的pure Alpha？

杨超：超额收益最根本的来源是市场的弱有效性，从一个弱有效到价值被发现的弥合过程，就是Alpha被定价的过程。早年A股市场有比较长的红利期，以至于有些策略在比较长的时间内，成为了一种阿尔法策略。随着A股变得逐渐有效，这些策略也从Alpha转变为Smart Beta，最终变成完全的Beta策略。当某个投资逻辑被充分定价后，就会变成Beta策略。

Alpha之所以能存在，一定是无法被大多数人轻易解构和复制的。这也是为什么，Alpha是动态的，会受到参与人数多寡和定价是否充分的影响。

问：关于如何做到纯阿尔法，能否再展开讲一讲？

杨超：我们进行了三重净化。第一重，是严格的行业、市值、风格中性：行业中性，没有明显偏离；市值中性，大中小市值没有偏离；风格中性，成长/价值/红利等几大风格暴露，压缩到比较小的标准差以内，不赌任何方向。

第二重，是成分外选股极少。有些机构大量购买成分外股票制造“伪中性”，比如用大盘银行+微盘拼凑“市值中性”，这种做法在市场主线、风格变化的时候很可能经不起考验，出现巨大回撤。我们会严格在成分股内选股，避免市值陷阱。

第三重，是负面清单前置。比如对于市值过小的一些公司，我们直接不投。因为一旦市场出现流动性危机，比如2024年1月微盘股崩盘，事后是无法应对的，这种风险只能事前规避。

问：这意味着在风险控制、风险模型的搭建上面要有很多自定义的东西，能不能介绍一下？

杨超：天弘量化团队的风险模型是多因子基底做了本土化升级改造，从三个维度提纯Alpha。第一，我们做了更精细的行业分类，使之更契合A股的底层投资逻辑。

第二，我们用一些工程方法更精细地刻画个股底层特征，从而防范组合中不同股票的协同风险（同涨同跌的风险）。当一批股票容易同涨同跌时，即便他们都有很高的Alpha得分，也很容易给组合造成较大回撤。这时候，就要降低组合持仓的相似度。

怎么识别和规避这种协同风险？传统方法主要是从收益出发，排列个股相似度矩阵来区分，这很容易产生伪相似。我们借助一些技术，对个股特征进行更精细的刻画，比如行业因子暴露方面，比亚迪是79%的汽车和21%的消费电子、中国平安是81%的保险、19%的银行等等，在此基础上构建出一个更庞大的矩阵来分析，进而控制协同风险。

第三，拆解Alpha中的残差风险。我们会把所有股票放到风险模型里回归测算，在剔除动量、风格、市值等因子扰动后，我们得到了一个Alpha，但这其中还有模型识别不了的风险，也就是所谓的残差风险。因此，我们还会对Alpha残差进行拆解剔除。

最终，通过风险模型的三级提纯，能够大幅降低组合Alpha的回撤。也就是在Alpha收益不变的前提下，把组合的Alpha波动降低，自然就提高了产品的信息比率。这一套风险模型，已经迭代了五六个版本了。

问：Alpha的衰减也是一种风险，你们如何解决？

杨超：首先，模型层面有自身的调整机制，我们的因子库保持动态调整，迭代速度很快。高频的风控模型也会去捕捉Alpha的衰减。

其次，比较难应对的是模型方法论或者模型架构的失效风险。比如说，AI策略中最拥挤的是利用日度的K线数据做交易。无论你怎么优化模型，在一个拥挤的方法论赛道中，都会面临失效的风险。这就需要我们不断拓宽数据源，调整预测的频率等等来应对。

问：天弘量化投资团队打造了一个共用的量化投资AI中央基座，能否展开介绍？为什么选择这种集体作战模式？

杨超：在传统模式下，研究员挖掘因子、测试因子，然后反馈给基金经理做组合。这种生产方式，和传统主动管理的“研究员推票”没有本质区别。只不过主动管理是推票，量化投资是推因子。

但是能被轻易复现的因子，很快就没效果了。在新的市场环境下，Alpha的供给越来越依靠数据和算法驱动。研究员和基金经理在职能上的边界，已经很模糊了。传统的推因子式投研流程在今天的时代下，已经不成立了。换句话说，如果基金经理的策略都是研究员提供的，那么基金经理的作用体现在哪里？

所以，AI提升了量化投资的生产力，也在要求量化投资的生产关系发生改变。我要解决的问题是，如何让每个人愿意把策略贡献给大家？这就是搭建量化AI中央基座的价值，通过所有人把策略贡献给平台后，提升平台水位再反哺给每个人，实现平台能力比他们单干更强。否则每个人无法得到平台反哺，就容易形成各自为战的孤岛。

另一方面是，公募量化和私募量化在激励机制上，有着本质区别。我一直在思考一个问题：私募量化的激励那么高，我们怎么把优秀的人留在天弘基金的平台上？答案就是：一个向下的业绩底线，加一个向上的Alpha弹性。让每个人在一种游刃有余的状态下工作，才有时间思考和创新，激发大家的好奇心和创造欲。

所以，我们一起打造了这个持续迭代的AI中央基座，风险模型和Alpha策略都是公用的，每一个基金经理的产品管理，都会集合部门所有人想法的信号输出。当一个基金经理阶段性业绩表现不好时，他可以依靠团队的Alpha策略兜住下限。通过公用的AI中央基座模型，我们也抬高了所有产品的下限。

解决了下限问题后，是如何提升上限。我不要求基金经理完全用AI中央基座模型，而是鼓励他们去战胜模型，在这个基线模型上做微调和加法。当你能超越平台的能力后，再把Alpha策略反哺给团队。这个架构给到基金经理的是，向下有底气，向上有期权。

问：在这个AI中央基座模型里，Alpha是如何被挖掘的？团队架构是否也在发生变化？

杨超：Alpha的生产环节，就像流水线一样持续进行。团队会在各个环节做细化，并且有明确的分工，风险模型、基本面因子、另类数据和高频特征、优化、数据运营，等各个环节都有专人负责。比如说做特征的同事，每周都要测试和生产一些特征，这里面有大量的可挖掘数据。再比如说做模型融合的同事，要尽量减少过度拟合等等。

基金经理在其中，要全程参与到所有的生产环节，然后再根据产品不同的特性在组合层面做优化调整。

组织架构方面，传统的架构是金字塔形的，层层汇报。我们现在把整个架构放在桌子中间，所有人都围着AI中央基座。研究层面对所有人不设限，因子、AI、工程的想法都可以提。我们不会要求任何人必须挖出某个方向的因子，因为如果我能提前知道阿尔法会从哪里来，那它就不是阿尔法了。

问：AI中央基座是怎么迭代的？又是如何形成基于平台的竞争优势的？

杨超：首先，AI的时代红利会给我们带来一些新的算法引入。其次，能否挖掘到新的数据，比如说一些第三方的、结构化的数据。我们现在除了基本面数据，还有很多量价数据，也包括市场每天约30G的逐笔数据。以前是模型的进步，未来更多是依靠数据的进步。

再者，量化投资早年比拼的是想法，现在比拼的是算力、是信噪比、是工程能力等等，我们要在每一个环节上，都做到比别人更强。到最后，量化投资比拼的是团队治理，团队文化甚至是价值观，公司的投研平台、机制等等，能不能驱动投研不断把模型迭代下去，因为所有模型每半年可能都会被迭代掉。

问：你们的量化投资具体是怎么和AI一步步结合的？

杨超：2019年天弘基金开始做指增产品，分别发行了中证500和沪深300指数增强。当时整个团队的模型基本上全部是基本面因子，我们团队很早就挖掘到了财报中的许多细节，包括研发数据和主营业务更细致的拆分。受益于更细致的处理了基本面因子，这两只产品的业绩表现是比较突出的。

但是从2021年开始，传统的基本面因子在持续失效，比如说成长类因子、分析师预测类因子，有效性一路向下。原因不复杂，信息传播的渠道多了，大量人能用更快的方式获取更大的信息量，标准化数据库里的信号从长板变成了必须补足的短板。当时我们团队判断，基本面因子会越来越Beta化。这是我们从2023年开始用AI做指数增强的起点。

由于我们此前已经在基本面因子有很深的积累，如何借助AI的能力，把这些积累和模型的迭代融合起来？我们做了一次重要的转型：采用基本面因子对股票进行全方位的分域，再用深度学习的方式提取Alpha。

由于深度学习的网络本质是一种降维，帮助我们更高效、更全面理解每一个股票。所以通过基本面因子的分域，我们能把全市场5000多只股票降维成不同的行业、不同的风格等等。通过更细致的分类，AI网络能更好去解释这些股票的收益差异，从而帮助我们更好地挖掘一些在特定分域中的Alpha。

今天，我们超额因子里70%以上来源于AI学习，并且挖掘的过程是让信号和信号直接沟通。比如说，主动投研对基本面的研究通过大模型总结成纪要之后，我们会把纪要投射成多维度的变量，每一个维度对资产价格有没有影响，直接进模型去看，而不是由人来主观判断。你已经有一套高效的数据处理系统，为什么还要把信息灌回人脑这个信噪比很窄的环境里，再做一次转译？

所以，在我们的体系里，所有投资决策，最终都是通过模型给出的资产价格预期。我不直接决策投资的结果，而是决定决策的过程是什么样子：设计一个高信噪比的结构，然后让AI中央基座模型的推理告诉我答案。

问：不同的产品基准（比如说大小盘宽基、成长或行业主题），能发挥作用的Alpha因子也有差异，如何在不同类型的产品下，都能找到有效的超额收益？

杨超：每一个产品的Alpha来源不同，结合不同的基准，我们做定制化的Alpha策略。但是，对于单一基金经理来说，是无法覆盖如此多样性的Alpha。

这就需要平台和算力的迭代，通过持续抬高我们AI中央基座的下限，形成团队化的Alpha力量。本质上，我们并不是一个基金经理在管理某个产品，而是一群人在管理这些产品。

问：天弘基金很早就打造了数智化投研平台TIRD，能否谈谈公司数智化能力，如何帮助团队实现超额收益增厚？

杨超：公司的TIRD平台把不同投研部门的研究成果形成了数据层面的统一。平台为我们提供了许多非结构化的数据，包括研究员的调研，分析师的研报等。这些非结构化的信息，是量化团队过去比较少触达的。有了投研平台的数智化能力后，我们感知市场的能力得到了提高，帮助我们发现一些过去忽略的逻辑。

问：“主动+量化”两股力量如何在一个平台上合流？比如权益研究员挖掘出的深度基本面逻辑，是如何转化为您系统里的一个因子的？

杨超：主动研究的观点很难直接变成因子。因子需要连续、标准化的生产过程，而主动研究员的观点缺乏连续的过程。但是他们对资产定价的观点，可以成为量化研究的验证。

更重要的是，主动投研团队会帮助我们挖掘到量化的一些“死角”。比如说在高股息策略中，股东回购注销股票，客观上增加了股权价值。但是有些公司会把所有者权益做小，虚增ROE。这些主动研究的常识，是可以被结构化，纳入到模型的。

问：天弘也是一家有互联网基因的基金公司，您作为指数增强负责人，如何调用整个公司的技术中台力量？

杨超：天弘基金在公司层面，搭建了非常强大的数据平台和算力平台。我们的IT团队，提供了安全、高度可靠的数据环境。整体上看，数据平台的安全性和质量都很高，并且对于需求实时响应。

问：天弘目前量化产品数量达到20只，在产品线布局上有什么特点？未来有何规划？

杨超：我们划分了三档产品线，能够满足不同投资者的需求。

第一档是宽基指增，分两类策略：一类是追求高夏普比的（同一产品叫指增1号），另一类是以超额收益高胜率和低跟踪误差为目标的（同一产品叫指增2号）。策略目标的不同，决定了风险选择的不同。结果上看，追求超额收益高胜率产品的收益率未必低，只是两个产品的管理取向不同。我们目前在沪深300、中证500、科创综指都有布局两类产品。

第二档是行业指增，覆盖五大行业。我们布局过消费、医药、制造、科技、新能源等。回头看，新能源、制造和科技都跑出来了，业绩相比同类的主动基金也是在很前面。事实上，过去五年能够在强贝塔中持续跑赢的主动基金凤毛麟角。

但是这类产品过去规模不大，大家更愿意把钱交给主动基金经理。在行业ETF兴起之后，大家会发现很多主动基金经理并没有Pure Alpha，而是依靠了Beta。另一方面，越来越多机构端的比较基准，从原来的沪深300改为沪深300+中证800+科技的新结构。在新的考核基准下，他们对于行业指增的需求在大幅增加。

第三档是主动量化。对于这类产品的布局，我们思考了很久。我们目前有一个红利策略的主动量化产品，这个产品并不需要跑赢全市场，更不用跑赢成长，只要持续跑赢中证红利全收益指数就行。注意，是全收益。市场上很多产品的基准是价格指数，长期看是失真的。在红利里赚红利的钱，每一分超额都很难、很薄，但它是真的超额。

红利产品有一个特点，在市场整体比较好的时候，表现是不太好的。这种特点，反而为用户提供了一种具有配置价值的产品。我们希望在任何赛道，都能做到极致，不是靠Beta获取Alpha。

问：很多指数增强投资者怕产品业绩“掉队”。天弘量化团队如何保证在牛市能跟上，熊市回撤得更少？

杨超：牛市跟得上，就是要跑赢基准，也是指增产品最基本的目标。熊市跌得少，关键是不要有额外的贝塔暴露。如果你是靠行业偏离赚了钱，熊市大概率要还回去。

指增产品的关键，是长期Alpha的累积。我们有一些行业指增产品，单一年份超额不算突出，但是三五年下来，在同类主动权益基金中排名比较靠前。每年都积累一些Alpha，长期下来还是可观的。

问：天弘基金的量化团队一共有9人，平均从业年限超10年，这是比较精干的团队了。有什么样的独特文化或特点吗？

杨超：没有任何内耗，保持团队的开心很重要。大部分人在管理团队时，会很看重业绩和规模，但我觉得让团队开心是最重要的。一个团队只有在开心的状态，才能释放出创造力。

AI的出现，创造力变得更重要了。我们把整个代码库接入AI后，过去研究员需要一周完成的工作量，现在可能只需要10分钟就能实现。在AI出现之前，投资对人的要求是努力、肯干、快速的工程实践能力，现在的要求是能提出好的问题，甚至要敢于质疑大家习以为常的东西，甚至很难被量化评价的“研究品味”。

历史上，我们量化模型每一次大的升级，都是研究员提出来的，甚至有些是很年轻的毕业生。这些人敢问，为什么一定要这么做？

这也改变了我招人的理念。原来像军队，宁可错杀一千也要保证人员的标准化。现在反过来，我宁愿为了引进一个天才，允许他犯一些错误。我们招毕业生，不太看实现既有技能的熟练度，更看重逆向思维。

我们内部用AI都有一个习惯，提示词的第一句话是：“你是某个领域的专家，但你不要迎合我的观点，每次回答我之前，先从几个方向反驳我。”

问：您自己是怎么保持迭代的？

杨超：不断学习和思考。模型是高度结构化的东西，运行依赖很多强假设，尽量让自己不要有偏见和固化的思维，永远都有更好、更美的方式去解决问题。所以我宁愿大家每天去看paper，也不要花时间做AI能做的重复性工作。

风险提示：

本文件中的信息仅作参考之用，不构成投资建议或投资依据，不构成任何具有法律约束力之产品投资要约或要约邀请，并且不可用于对投资的评估。本文件所载信息不构成对本产品未来收益的任何保证, 不代表对本产品的投资策略、投资回报、经营业绩的任何承诺和预期。投资于权益类基金存在较大收益波动风险。以往业绩情况并不等同于未来的投资结果，甚至可能与未来结果存在重大差异。未来的投资可能会在截然不同的经济状况下进行，经济状况的任何差异均可能会对投资结果、投资组合及基金经理的决策产生重大影响。投资者投资基金前应认真阅读《基金合同》、《招募说明书》、《风险揭示书》等法律文件，在全面了解产品情况、费率结构、各销售渠道收费标准及听取销售机构适当性意见的基础上，选择适合自身风险承受能力和投资目标的投资品种进行投资。投资有风险，请谨慎投资。（CIS）

中国基金报：报道基金关注的一切

Chinafundnews

长按识别二维码，关注中国基金报

版权声明：

《中国基金报》对本平台所刊载的原创内容享有著作权，未经授权禁止转载，否则将追究法律责任。

授权转载合作联系人：于先生（电话：0755-82468670）

万水千山总是情，点个 “在看” 行不行！！！